El 26 de junio de 2012, Google contó en su blog oficial que una de sus redes neuronales había aprendido a reconocer gatos por su cuenta, sin que nadie le hubiera explicado qué era un gato. El trabajo se presentó esa misma semana en la conferencia ICML, en Edimburgo, y quedó como uno de los momentos fundacionales de la IA moderna. Catorce años después merece la pena recordarlo, porque resume como pocos todo lo que ha cambiado.
Un cerebro de 16.000 núcleos mirando YouTube
Para su época, el sistema era descomunal: una red neuronal de nueve capas con cerca de mil millones de conexiones, entrenada tres días en un clúster de mil máquinas y 16.000 núcleos de procesador. Se la alimentó con 10 millones de imágenes de 200 por 200 píxeles extraídas de vídeos de YouTube, y la clave estuvo en que aprendió de forma no supervisada, sin una sola etiqueta que le dijera qué estaba mirando. La hazaña dio para titulares: The New York Times la resumió con una pregunta que se hizo célebre, «¿Cuántos ordenadores hacen falta para identificar un gato? 16.000».
De aquel baño de imágenes sin etiquetar surgió lo más llamativo: una neurona artificial que se activaba ante las caras de gato, y otras sensibles a las caras y los cuerpos humanos. Como subrayó la propia Google, a la red «nunca se le dijo qué era un gato» y, aun así, dedujo su aspecto a partir de los fotogramas.
Por qué fue un hito
Más allá de la anécdota felina, los números pesaban. El modelo alcanzó un 15,8 % de acierto clasificando 20.000 categorías de objetos de ImageNet, un salto del 70 % relativo sobre el mejor resultado previo. El proyecto, dirigido por Quoc V. Le junto a Jeff Dean y Andrew Ng, había nacido en el laboratorio X de Google y fue el germen de lo que hoy llamamos Google Brain.
Tampoco fue el único hito de aquel año. En 2012, AlexNet arrasó en el concurso ImageNet y encendió oficialmente la era del aprendizaje profundo. Mientras AlexNet demostraba la potencia del aprendizaje supervisado con tarjetas gráficas, el gato de Google probaba algo complementario: que una máquina podía extraer conceptos del mundo sin que un humano se los etiquetara de antemano. Aquella explosión de las redes neuronales acabaría reconocida al más alto nivel: en 2024, el Nobel de Física premió a los padres de esa tecnología.
De reconocer un gato a generar mundos
El contraste con 2026 marea. Aquel modelo tenía mil millones de conexiones, una cifra que la propia Google comparaba entonces con los cien billones del cerebro humano para dejar claro lo lejos que quedaba la meta. En 2017 apareció el Transformer, la arquitectura que sostiene los grandes modelos de lenguaje y la IA generativa. Y donde en 2012 hacían falta 16.000 núcleos y tres días para intuir un gato en miniaturas de vídeo, en 2024 modelos como Sora generaban vídeo completo a partir de una sola frase.
Por eso el experimento del gato sigue siendo una buena vara de medir. No porque distinguir un felino fuera difícil para una persona, sino porque marcó el instante en que las máquinas empezaron a aprender a ver mirando, parecido a como aprendemos nosotros. Todo lo que vino después no ha dejado de escalar aquella misma idea.
La fotografía de representación de este artículo pertenece a Volodymyr Dobrovolskyy y ha sido publicada en Unsplash